MODEL PERAMALAN FUZZY LOGIC

Bambang Siswoyo
Achmad Zaenal
Email : bambangf1@gmail.com

ABSTRAK

Indonesia merupakan negara tropis yang memiliki curah hujan sangat tinggi.
Model prediksi curah hujan digunakan untuk berbagai kepentingan dan kekakuratannya
menjadi penting terutama pada bidang-bidang khusus seperti pencegahan bencana banjir.
Saat ini penggunaan banyak digunakan radar dan pencitraan satelit untuk melihat
pergerakan paramater meteorologi untuk menentukan short term prepitation, akan tetapi
belum dapat dimodelkan untuk memprediksi long term prepitation.
Dalam proposal ini diusulkan salah satu suatu model kecerdasan buatan untuk
memprediksi long term prepitation. Teknik yang digunakan adalah fuzzy logic dimana
akan dilakukan proses matching dan pengkelasan data. Data pelatihan diperoleh dari
BMKG Makassar dengan fokus pengujian sistem untuk daerah Makassar dan sekitarnya.
Target data disesuaikan menjadi 5 kategori yaitu cerah, hujan ringan, hujan sedang, hujan
lebat dan badai berdasarkan standar BMKG. Hasil prediksi menunjukkan akurasi sebesar
82,19% dimana sebagian besar kegagalan pemetaan pada kategori hujan lebat dan badai.

Kata kunci: Fuzzy Logic, prediksi hujan

I. PENDAHULUAN
Indonesia merupakan negara yang dilewati oleh garis katulistiwa serta dikelilingi
oleh dua samudera dan dua benua. Posisi ini menjadikan Indonesia sebagai daerah
pertemuan sirkulasi meridional (Utara-Selatan) dikenal sebagai Sirkulasi Hadley dan
sirkulasi zonal (Timur-Barat) dikenal sebagai Sirkulasi Walker, dua sirkulasi yang sangat
mempengaruhi keragaman iklim di Indonesia. Pergerakan matahari yang berpindah dari
23.5o Lintang Utara ke 23.5o Lintang Selatan sepanjang tahun mengakibatkan timbulnya
aktivitas moonson yang juga ikut berperan dalam mempengaruhi keragaman iklim.
Pengaruh lokal terhadap keragaman iklim juga tidak dapat diabaikan, karena Indonesia
merupakan negara kepulauan dengan bentuk topografi sangat beragam menyebabkan
sistem golakan lokal cukup dominan. Faktor lain yang diperkirakan ikut berpengaruh
terhadap keragaman iklim di Indonesia ialah gangguan siklon tropis. Semua aktivitas dan
sistem ini berlangsung secara bersamaan sepanjang tahun akan tetapi besar pengaruh dari
masing-masing aktivitas atau sistem tersebut tidak sama dan dapat berubah dari tahun ke
tahun (Boer, 2003).
Fenomena El-Nino dan La-Nina merupakan salah satu akibat dari penyimpangan
iklim. Fenomena ini akan menyebabkan penurunan dan peningkatan jumlah curah hujan
untuk beberapa daerah di Indonesia. Menurut
Boer (2003) sejak tahun 1844 Indonesia telah mengalami kejadian kekeringan atau
jumlah curah hujan di bawah rata-rata normal tidak kurang dari 43 kali. Dari 43 kali
kejadian tersebut hanya 6 kali kejadiannya tidak bersamaan dengan kejadian fenomena

1
El-Nino, hal ini menunjukkan bahwa keragaman hujan di Indonesia sangat dipengaruhi
oleh fenomena ini.
Prakiraan parameter klimatologi terutama hujan sudah menjadi kebutuhan Nasional.
Betapa tidak, bencana banjir akibat hujan yang turun dengan jumlah di atas normal atau
bencana kekeringan akibat jumlah curah hujan yang berada di bawah normal, sering
melanda wilayah Indonesia, bahkan disertai kerugian materi dan jiwa. Semua itu dapat
diantisipasi dengan informasi yang akurat tentang berapa besar curah hujan yang akan
turun di suatu tempat pada kurun waktu tertentu.
Pembacaan pola curah hujan dapat dilakukan oleh model kecerdasan buatan
(Artificial Inteligence) dengan menggunakan data historis mengenai parameter
klimatologi. Penelitian yang pernah dilakukan, menggunakan Backpropagation Neural
Network (Indrabayu, 2011), hasil peramalan dipandang masih dapat ditingkatkan
keakurasiannya, oleh sebab itu pada penelitian kali ini digunakan metode Fuzzy Logic
dengan harapan dapat memberikan hasil peramalan curah hujan yang lebih baik.

II. KONSEP HUJAN DAN PREDIKSINYA DENGAN FUZZY LOGIC

Kepulauan maritim Indonesia yang berada di wilayah tropik memiliki curah hujan
tahunan yang tinggi, curah hujan semakin tinggi di daerah pegunungan. Curah hujan yang
tinggi di wilayah tropik pada umumnya dihasilkan dari proses konveksi dan pembentukan
awan hujan panas. Pada dasarnya curah hujan dihasilkan dari gerakan massa udara
lembab ke atas. Agar terjadi gerakan ke atas, atmosfer harus dalam kondisi tidak stabil.
Kondisi tidak stabil terjadi jika udara yang naik lembab dan lapse rate udara
lingkungannya berada antara lapse rate adiabatik kering dan lapse rate adiabatik jenuh.
Jadi kestabilan udara ditentukan oleh kondisi kelembaban. Karena itu jumlah hujan
tahunan, intensitas, durasi, frekuensi dan distribusinya terhadap ruang dan waktu sangat
bervariasi. Karena proses konveksi, intensitas curah hujan di wilayah tropik pada
umumnya tinggi. Sementara itu di Indonesia, presentase curah hujan yang diterima
bervariasi antara 8 % sampai 37 % dengan rata-rata 22 %. Sebagai perbandingan nilai
tertinggi di Bavaria, Jerman adalah 3.7 %. Di Bogor, lebih dari 80 % curah hujan yang
diterima terjadi dengan curah paling sedikit 20 mm.

2.1 Partikel Hydrometeor

Hydrometeor dengan diameter sekitar 0.5 mm turun ke bumi berupa partikel-
partikel air. Disebut hujan jika partikel-partikel air tersebut jatuh sampai ke tanah. Jika
tidak karena menguap sebelum sampai ke tanah, partikel-partikel itu disebut Vigra.
Dalam definisi lain, hujan dapat didefinisikan sebagai uap yang mengkondensasi dan
jatuh ke tanah dalam rangkaian proses hidrologi.
Meskipun berada dekat pada garis khatulistiwa, Indonesia tidak memiliki curah
hujan yang sama pada setiap wilayah. Berdasarkan data BMKG, distribusi rata-rata curah
hujan bulanan terbagi ke dalam tiga pola hujan, yaitu:
a. Pola Hujan Monsoon
Wilayah di bawah pola hujan ini memiliki perbedaan yang jelas antara periode musim
hujan dan periode musim kemarau dengan ciri memiliki satu puncak musim hujan.
b. Pola Hujan Equatorial
Ciri pola hujan ini adalah dua puncak musim hujan maksimum dan hampir sepanjang
tahun masuk dalam kriteria musim hujan. Dua puncak hujan biasa terjadi pada bulan
Maret atau Oktober.
c. Pola Hujan Lokal

2
 Pola hujan lokal memiliki distribusi hujan bulanan berkebalikan dengan pola monsun.
Pola lokal dicirikan oleh bentuk pola hujan unimodial (satu puncak hujan), tetapi
bentuknya berlawanan dengan tipe hujan monsoon.

2.2 Model Dasar Fuzzy Logic

Konsep fuzzy logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas
California di Berkeley pada 1965. Secara umum, fuzzy logic adalah sebuah metodologi
“berhitung” dengan variabel kata-kata (linguistic variable), sebagai pengganti berhitung
dengan bilangan (N. Agus, 2009). Kata-kata yang digunakan dalam fuzzy logic memang
tidak sepresesi bilangan, namun kata-kata jauh lebih dekat dengan intuisi manusia.
Manusia bisa langsung “merasakan” nilai dari variabel kata-kata yang sudah dipakainya
sehari-hari. Demikianlah, fuzzy logic memberi ruang dan bahkan mengeksploitasi
toleransi terhadap ketidakpresisian. Dengan fuzzy logic, sistem kepakaran manusia bisa
diimplementasikan ke dalam bahasa mesin yang mudah dan efisien. Dari sekian banyak
alternatif yang tersedia, sistem fuzzy seringkali menjadi pilihan yang terbaik.
Berikut beberapa alasan mengapa menggunakan fuzzy logic:
1. Konsep fuzzy logic sangat sederhana sehingga mudah dipahami. Kelebihannya
dibanding konsep yang lain adalah membentuk pendekatan-pendekatan alami dalam
memecahkan masalah.
2. Fuzzy logic adalah fleksibel, dalam arti dapat dibangun dan dikembangkan dengan
mudah tanpa harus memulainya dari nol.
3. Fuzzy logic memberikan toleransi terhadap ketidakpresisian data. Hal ini sangat
cocok dengan fakta sehari-hari.
4. Pemodelan/pemetaan untuk mencari hubungan data input-output dari sistem black
box bisa dilakukan dengan memakai sistem fuzzy logic.
5. Pengetahuan atau pengalaman dari para pakar dapat dengan mudah dipakai untuk
membangun fuzzy logic. Hal ini merupakan kelebihan utama fuzzy logic dibanding
jaringan saraf tiruan (JST).
6. Fuzzy logic dapat diterapkan dalam desain sistem kontrol tanpa harus menghilangkan
teknik desain sistem kontrol konvensional yang sudah terlebih dahulu ada.
7. Fuzzy logic berdasar pada bahasa manusia.

Meski ada berbagai alasan di atas, namun fuzzy logic bukan merupakan konsep
yang sempurna yang bisa dipakai untuk memecahkan semua masalah. Fuzzifikasi
merupakan suatu proses pengubahan himpunan non-fuzzy (crisp) kedalam himpunan
fuzzy, masukan bukan fuzzy (crisp) dipetakan ke bentuk himpunan fuzzy sesuai dengan
variasi semesta pembicaraan masukan. Fungsi keangotaan (Membership Function) adalah
komponen penting.
Fungsi keangotaan adalah suatu kurva yang mendefinisikan bagaimana setiap
titik-titik data dalam ruang input yang dipetakkan antara 0 dan 1.Keanggotaan dalam
himpunan fuzzy mempunyai bentuk yang berbeda-beda terdiri dari bentuk linier, bell,
gaussian, trapesoidal dan triangular (Lautri, 2010). Bentuknya dapat terlihat pada gambar
1.

2.3 Inference Sistem

Sistem inferensi fuzzy (FIS) disebut juga fuzzy inference engine adalah sistem
yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan
penalaran dengan nalurinya.

3
 Terdapat beberapa jenis FIS yang dikenal yaitu Mamdani dan Sugeno. Blog
diagram FIS dapat terlihat pada gambar 2.

Gambar 1. Fungsi Keanggotaan Bentuk Segitiga, Trapesium dan Gaussian (Lautri,

2010)

Aturan Dasar

Logika
input Fuzzifikasi Pengambilan Defuzifikasi output
Keputusan

Gambar 2. Blok Diagram Proses FIS

Fuzzy Inference Sistem (FIS) merupakan bagian terpenting dalam fuzzy logic.
Logika pengambil keputusan merupakan suatu kerangka komputasi yang didasarkan pada
teori himpunan fuzzy, aturan fuzzy berbentuk IF - THEN, dan penalaran fuzzy. Fuzzy
Inference sistem (FIS) menerima input crisp. Input ini kemudian dikirim ke basis
pengetahuan yang berisi n aturan fuzzy berbentuk IF -THEN. Dalam FIS terdapat dua
proses yaitu:
1. Implikasi yaitu proses mendapatkan consequent keluaran sebuah IF-THEN rule
berdasarkan derajat kebenaran antecedent. Namun sebuah rule dapat diboboti dengan
bilangan antara 0 sampai 1 umumnya rule diberi bobot 1. Setelah setiap rule diberi
bobot proses implikasi baru bisa dilakukan. Implikasi dilakukan pada tiap rule,
Masukan dari proses implikasi adalah derajat kebenaran bagian antecedent dan fuzzy
set pada bagian consequent. Dua fungsi yang digunakan dalam proses implikasi adalah
min dan prod (product, menskalakan fuzzy set keluaran).
2. Agregasi yaitu proses mengkombinasikan keluaran semua IF THEN rule menjadi
sebuah fuzzy set tunggal. Jika bagian consequent terdiri lebih dari satu pernyataan
maka proses agregrasi dilakukan secara terpisah untuk tiap variabel IF-THEN rule.

4
Selanjutnya, pada hasil agregasi akan dilakukan defuzzifikasi untuk mendapatkan nilai
crisp sebagai output sistem.

III. PARAMATER, ALUR PENELITIAN DAN ASUMSI YANG DIGUNAKAN

Penelitian ini dilakukan dengan beberapa tahapan, yang pertama dilakukan adalah
pengambilan data cuaca yang terdiri dari enam variabel. Variabel cuaca ini diukur dan
direkam oleh BMKG Bandara Hasanuddin - Makassar. Tidak semua variabel memiliki
korelasi yang baik terhadap proses terjadinya hujan, maka dilakukan pemilihan dan
pemilahan data dimana data yang memiliki korelasi baik akan dijadikan sebagai input.
Untuk prediksi variabel input digunakan neural network. Data yang telah dipilih
dikelompokkan menggunakan metode fuzzy cluster means agar didapatkan parameter
premis awal pada sistem fuzzy logic. Kemudian dilakukan perancangan sistem fuzzy
logic menggunakan software Matlab. Data hasil sistem fuzzy logic divalidasi dengan data
aktual dari BMKG.

Gambar 3. Alur Penelitian

3.1 Pengambilan Data

Tahap pertama yang dilakukan pada penelitian ini adalah pengambilan data,
dimana data diperoleh dari BMKG Wilayah IV Makassar yang diukur dan direkam oleh
BMKG Bandara Hasanuddin -Makassar. Data yang diperoleh terdiri dari lima unsur
cuaca yaitu curah hujan, kecepatan angin, temperatur, tekanan udara, dan kelembaban.
Kelima unsur cuaca tersebutlah yang akan dijadikan sebagai input pada metode prediksi
Radial Basis Function Neural Network.

5
 Data yang diperoleh adalah data observasi harian lima unsur cuaca di kota
Makassar. Selanjutnya data ini akan dikelompokkan berdasarkan bulan yang sama untuk
meramalkan curah hujan bulan yang sama untuk tahun kedepan. Sebelum membuat
prediksi hal pertama dilakukan adalah membuat proses pelatihan, menentukan pola
masukan dan target yang diinginkan. Data yang telah dikelompokkan dari tahun 2004
sampai 2010 akan dijadikan input dan beberapa curah hujan tahun 2008 dan 2009 akan
dijadikan sebagai taget pelatihan. Dan data curah hujan 2010 dijadikan sebagai data
validasi untuk mengetahui kehandalan sistem ramalan Fuzzy Logic. Setelah mendapatkan
input dan target, dilakukan tahap pelatihan, validasi, dan prediksi menggunakan fuzzy
logic memakai software Matlab R2008a.

3.2 Perancangan Sistem Fuzzy Logic

Langkah pertama pada penelitian ini adalah dengan membuat rancangan sistem
fuzzy logic. Setelah mendapatkan sistem yang mendapatkan hasil validasi yang melebihi
50 % maka sistem tersebut yang akan dipakai untuk memprediksi curah hujan tahun
2011. Untuk dapat memprediksi curah hujan tahun 2011 diperlukan teknik neural
network untuk memprediksi variabel input temperatur, kelembaban, dan kecepatan angin,
hal ini disebabkan sistem fuzzy logic tidak dapat digunakan untuk memprediksi curah
hujan tahun berikutnya.

3.3 Pengolahan Data Inputan

Pengolahan data pada penelitian ini dilakukan eksperimen dengan berbagai sistem
Fuzzy logic. Salah satu hal yang mempengaruhi sistem Fuzzy logic ini adalah data
masukan. Unsur cuaca yang digunakan sebagai masukan adalah temperatur, kelembaban
udara, dan kecepatan angin. Ketiga variabel ini digunakan sebagai masukan karena
variabel-variabel ini penyebab utama terjadinya hujan, dan data keluaran adalah curah
hujan.
Pada penelitian ini pengelompokkan data menggunakan metode fuzzy cluster
means dari tahun 2004 – 2008. Variabel-variabel yang dikelompokkan dengan fuzzy
cluster means yaitu temperatur, kelembaban, dan kecepatan angin. Curah hujan tidak
dikelompokkan dengan fuzzy cluster means karena sudah dikelompokkan menurut
ketentuan BMKG.
Teknik fuzzy cluster means dilakukan dengan matlab, yaitu dengan menuliskan
syntax pada editor matlab. Adapun beberapa syntax yang digunakan untuk metode fuzzy
cluster means seperti penjelasan dibawah ini,
[center,U,obj_fcn] = fcm(data,cluster_n)
Penjelasan dari syntax diatas adalah menerapkan metode fuzzy cluster means
untuk himpunan data. Penjelasan input fungsi ini adalah:
a. data : kumpulan data akan dikelompokkan setiap baris adalah data sampel titik.
b. cluster_n : jumlah dari cluster (lebih dari satu) penjelasan output fungsi ini
c. center : matriks pusat cluster akhir di mana setiap baris menyediakan pusat koordinat.
d. U : matriks partisi fuzzy akhir (atau fungsi keanggotaan matriks) .
e. obj_fcn : nilai-nilai fungsi objektif selama iterasi fuzzy cluster means
(data,cluster_n,options) menggunakan variabel argumen tambahan, opsi, untuk
mengontrol parameter clustering, memperkenalkan kriteria berhenti, mengatur
tampilan informasi iterasi, atau keduanya.

6
Proses clustering berhenti ketika jumlah maksimum dari iterasi tercapai atau ketika
perbaikan fungsi tujuan antara dua iterasi berturut-turut kurang dari jumlah minimum
perbaikan ditentukan.

3.4 Fuzzifikasi
Fuzzifikasi adalah tahap pemetaan nilai masukan dan keluaran kedalam bentuk
himpunan fuzzy. Data masukan berupa himpunan crisp yang akan diubah menjadi
himpunan fuzzy berdasarkan range untuk setiap variabel masukannya. Pada proses
fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan dan keluaran
serta fungsi keanggotaan (membership function) yang akan digunakan untuk menentukan
nilai fuzzy dari data nilai crisp masukan dan keluaran. Pada proses fuzzifikasi ini
digunakan bentuk fungsi keanggotaan gaussian sebagai variabel masukan karena
gaussian sesuai apabila digunakan untuk data-data alami seperti data cuaca.
Disamping itu juga dipilih fungsi gaussian karena mempunyai tingkat keakurasian
tinggi dalam membaca data dibandingkan fungsi lainnya. Proses iterasi dilakukan pada
tahap fuzzifikasi, yaitu dengan merubah nilai range dan parameter yang digunakan untuk
membangun fungsi keanggotaan, serta dapat juga dengan merubah jenis fungsi
keanggotaan yang digunakan. Pada penelitan kali proses merubah nilai range dan
parameter yang ada dari fungsi keanggotaan dilakukan hingga mendapatkan sistem
dengan tingkat presisi yang tinggi. Berikut adalah fungsi keanggotaan (Membership
function) yang digunakan pada sistem fuzzy logic.

Tabel 1. Membership Function Variabel Input

Komponen

Variabel Himpunan fuzzy

Standar Deviasi Nilai

Rendah 1.248 25.237

Temperatur (oC) Sedang 1.248 26.887

Tinggi 1.248 28.299

Rendah 10.547 63.691

Kelembaban (%) Sedang 10.547 78.566

Tinggi 10.547 89.829

Ringan 4.848 10.91

Sedang 4.848 15.04

Kecepatan angin (knots)

Kencang 4.848 19.05

Sangat Kencang 4.848 26.06

7
 Tabel 2. Membership Function Variabel Output

No Variabel Himpunan Fuzzy Komponen

Cerah 0–5

Hujan Ringan 5 – 20

4 Cuaca Besok (mm) Hujan Sedang 20 – 50

Hujan Lebat 50 – 100

Hujan Sangat Lebat >100

Berdasarkan membership function yang telah ditentukan pada tabel 2, maka akan
terlihat kurva-kurva dari tiap variabel seperti pada gambar 4.

Gambar 4. Membership Function Temperatur

Gambar 5. Membership Function Kelembaban

8
3.5 Rule-Based
Setelah dilakukan membership function, maka langkah berikutnya yaitu membuat
aturan (rule base). Rule base ini terdiri dari kumpulan aturan peramalan cuaca yang
berbasis fuzzy logic untuk menyatakan kondisi cuaca yang terjadi. Penyusunan rule base
ini berdasarkan pada sistem pakar yang ada, seperti terlihat pada Tabel 3.

Tabel 3. Rule-based Prediksi Hujan

Temperat
N ur Kelembaban Kecepatan Angin
o (Rh) (Va)
(T)
1 Rd Rg Sd Kg SKg
2 Rd Sd Cr Cr Cr Cr
3 Tg Cr Cr Cr Cr
4 Rd HR HS HL HSL
5 Sd Sd Cr Cr Cr Cr
6 Tg Cr Cr Cr Cr
7 Rd Cr Cr Cr Cr
8 Tg Sd Cr Cr Cr Cr
9 Tg Cr Cr Cr Cr

Tabel 4. Lanjutan Aturan Prediksi Hujan

NO IF THEN
R
1 T Rd h Rd Va Rg CH Cr
R S
2 T Rd h Rd Va d CH Cr
R
3 T Rd h Rd Va Kg CH Cr
R
4 T Rd h Rd Va SKg CH Cr
R
5 T Rd h Sd Va Rg CH Cr
R S
6 T Rd h Sd Va d CH Cr
R
7 T Rd h Sd Va Kg CH Cr
R
8 T Rd h Sd Va SKg CH Cr
R
9 T Rd h Tg Va Rg CH HR
R S
10 T Rd h Tg Va d CH HS
R
11 T Rd h Tg Va Kg CH HL
12 T Rd R Tg Va SKg CH HSL

9
 h
R
13 T Sd h Rd Va Rg CH Cr
R S
14 T Sd h Rd Va d CH Cr
R
15 T Sd h Rd Va Kg CH Cr
R
16 T Sd h Rd Va Skg CH Cr
R
17 T Sd h Sd Va Rg CH Cr
R S
18 T Sd h Sd Va d CH Cr
R
19 T Sd h Sd Va Kg CH Cr
R
20 T Sd h Sd Va SKg CH Cr
R
21 T Sd h Tg Va Rg CH Cr
R S
22 T Sd h Tg Va d CH Cr
R
23 T Sd h Tg Va Kg CH Cr
R
24 T Sd h Tg Va SKg CH Cr
R
25 T Tg h Rd Va Rg CH Cr
R S
26 T Tg h Rd Va d CH Cr
R
27 T Tg h Rd Va Kg CH Cr
R
28 T Tg h Rd Va SKg CH Cr
R
29 T Tg h Sd Va Rg CH Cr
R S
30 T Tg h Sd Va d CH Cr

C = Curah HL = Hujan Lebat

H = Hujan HSL = Hujan Sangat Lebat

Rd = Rendah
Sd = Sedang
Tg = Tinggi

Rg = Ringan
Kg = Kencang
SKg = Sangat Kencang

10
 Cara membaca rule pada Tabel 4, pada kolom berwarna biru “IF T is Rendah
AND Rh is Rendah AND Va is Ringan Then Cuaca Besok is Cerah”. Penyusunan rule
base sangat berpengaruh pada presisi sistem, pada tahap pengambilan keputusan
ditentukan berdasarkan rancangan rule base. Pada sistem perancangan prediksi hujan ini
terdapat 36 rule (beberapa rule table di atas tidak ditampilkan). Proses iterasi juga dapat
dilakukan dengan merubah aturan-aturan yang ada pada rule base, proses perubahan
aturan-aturan dilakukan hingga mendapatkan sistem dengan tingkat presisi yang tinggi.
Pada penelitian ini telah dilakukan banyak iterasi sehingga presisi sistem prediksi bisa
dimaksimalkan.

IV. SIMULASI DAN HASIL

Proses perancangan prediksi hujan menggunakan metode fuzzy Takagi Sugeno
karena fuzzy Takagi Sugeno bersifat konstan dan fleksibel sehingga cocok untuk
peramalan. Pada proses fuzzifikasi data masukan berupa himpunan crisp yang akan
diubah menjadi himpunan fuzzy berdasarkan range untuk setiap variabel masukannya.
Pada proses fuzzifikasi ini terdapat dua hal yang harus diperhatikan yaitu nilai masukan
dan nilai keluaran serta fungsi keanggotaan yang akan digunakan untuk menentukan nilai
hasil keluaran fuzzy logic. Pada proses fuzzifikasi perancangan prediksi metode fuzzy
logic menggunakan bentuk fungsi keanggotaan gaussian sebagai variabel masukan
karena bentuk gaussian fuzzy sets cocok untuk data-data alami seperti data cuaca.
Setelah dilakukan fuzzifikasi untuk setiap masukan dan keluaran, maka langkah
berikutnya yaitu membuat aturan (rule base). Rule base ini terdiri dari kumpulan aturan
peramalan cuaca yang berbasis fuzzy logic untuk menyatakan kondisi cuaca yang terjadi.
Penyusunan rule base ini berdasarkan pada sistem pakar yang ada, pada peramalan
kondisi hujan terdapat tiga variabel masukan, satu variabel keluaran dan 36 rule. Variabel
temperatur memiliki tiga fungsi kenggotaan untuk variabel masukan yaitu temperatur
rendah, sedang, dan tinggi. Variabel kelembaban memiliki tiga fungsi keanggotaan yaitu
kelembaban rendah, sedang, dan tinggi. Variabel angin memiliki empat fungsi
keanggotaan yaitu ringan, sedang, kencang, dan sangat kencang.
Proses inferensi fuzzy adalah proses pengambilan keputusan untuk mendapatkan
himpunan fuzzy logic berdasarkan rancangan rule base. Teknik pengambilan keputusan
yang digunakan adalah teknik Takagi Sugeno karena metode ini lebih fleksibel sehingga
cocok untuk peramalan. Teknik Takagi Sugeno dalam penerapannya menggunakan
aturan operasi AND, hal ini dikarenakan semua aturan saling bergantung dan
mempengaruhi. Setiap hasil dari inference sistem akan dikonversikan melalui tahap
defuzzifikasi, hasil konversi akan diekpresikan dalam bentuk fuzzy sets ke satu bilangan
Real. Dalam penelitian ini, metode defuzzfikasi yang digunakan adalah weighted of
average.
Dalam pembuatan prediksi curah hujan maka salah satu tahun dari data BMKG
akan digunakan untuk pengujian metode fuzzy logic yaitu tahun 2009. Hasil prediksi
fuzzy logic tahun 2009 divalidasi dengan data aktual 2009 dari BMKG kemudian sistem
fuzzy logic ini akan digunakan untuk sistem prediksi dengan metode neural network-fuzzy
logic .

4.1 Pengujian Sistem

Pada penelitian ini menggunakan 1826 data untuk setiap variabel input yang
dipakai sebagai pembangun logika yaitu dari tahun 2004 sampai tahun 2008. Data yang
telah terkumpul dan terbagi dalam klasifikasi, dipakai sebagai membership function
dalam penyusunan program. Setelah itu dilakukan pengujian dengan data input dari bulan

11
Januari 2009 hingga Desember 2009, yaitu sebanyak 365 data. Melalui program yang
telah dibuat dapat diamati hubungan antara variabel-variabel meteorologi hari ini dengan
kondisi cuaca keesokan harinya.
Berdasarkan 36 rule yang telah ditetapkan maka hasil keputusan dari fuzzy
direpresentasikan pada grafik status dimana fuzzy logic memiliki input dan output berupa
linguistik dan numerik. Hujan memiliki lima jenis nilai status secara linguistic yaitu
cerah hujan ringan, hujan lebat dan hujan koordinat sedang, hujan sangat lebat. Ketepatan
pengambilan berdasarkan fuzzy pada tahun 2009 terlihat pada keputusan logic Tabel 5
dan gambar 6.

Tabel 5. Validasi Hasil Prediksi Hujan Sistem Fuzzy Logic dengan Keadaan Sebenarnya
Tahun 2009

Hujan
No. Fuzzy logic Cerah Ringa
n Sedang Lebat Sangat Lebat
1 Aktual 281 34 33 15 2
2 Prediksi 270 78 17 - -
Jumlah benar
(hari) 300 hari
Jumlah salah
(hari) 65 hari
82.19
Keakuratan (%) %

Keakuratan (%) = (365−65)ℎ 100 %

365 ℎ
= 360365 ℎ ℎ 100 % = 82,19 %

Tabel 4 menunjukkan perbandingan ketepatan kondisi dengan keadaan sebenarnya pada

sistem fuzzy logic tahun 2009 dengan jumlah hari benar sebanyak 300 hari dan tingkat
keakuratan mencapai 82.19%. Tingkat keakuratan pada sistem ini menunjukkan sistem
ini layak digunakan untuk memprediksi cuaca keesokan harinya.

Gambar 6. Grafik Perbandingan Prediksi Hujan Rata-rata per hari Tahun 2009

12
V. KESIMPULAN
Validasi curah hujan tahun 2010 dengan metode fuzzy logic mencapai 81.64%.
Angka ini lebih baik jika dibandingkan dengan penelitian sebelumnya yaitu sebesar 60%
(Lin, 2010). Perbaikan ke depannya bisa lebih jika fuzzy logic dikombinasikan dengan
jaringan saraf tiruan ataupun model prediksi lainnya.

DAFTAR PUSTAKA

Indrabayu, 2011. “Jaringan Sarat Tiruan dan Fuzzy Untuk Memprediksi Curah Hujan”,
Seminar Nasional Forum Komunikasi Teknik Elektro Indonesia.
Kusumadewi, Sri.2004, Membangun Jaringan Syaraf Tiruan Menggunakan Matlab &
Excel Link. Graha Ilmu.
Febi Lautri.2010 “Perancangan Aplikasi Kriptografi Simetri Menggunakan Algoritma
RC4”. Universitas Sumatera Utara.
Fei, Fu. Zhang Jian. Zhou Bao Qi.,2010 “Forecasting of Precipitation by RBF Neural
Network and Particle Swarm Optimization”. ICCET, IEEE conference.
Siang, jj, 2005, Jaringan Syaraf Tiruan Dan Pemrogramannya Menggunakan Matlab.
Yogyakarta: andi yogyakarta.
Muammar dan Lin Parenggo.2010. “Prediksi Hujan Di Wilayah Makassar Dengan
Menggunakan Metode Logika Fuzzy”. Jurusan Teknik Elektro Unhas, Tugas
Akhir.

13
14